2022年拖拉机论文 .pdf
《2022年拖拉机论文 .pdf》由会员分享,可在线阅读,更多相关《2022年拖拉机论文 .pdf(13页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、基于 BP 神经网络的自动换挡规律人工神经网络 Artificial Neural Network,即 ANN ,是 20 世纪 80 年代以来人工智能领域兴起的研究热点,它从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络2。神经网络自被提出以来,人们一直希望它能完成人脑神经系统功能的模拟,通过模拟人脑神经元之间联接, 利用人工神经元相互连接构成网络以实现学习知识、存储知识、 知识联想和模式识别等智能化的信息处理功能。遗传算法是建立在达尔文( Darwin)的生物进化论和孟德尔( Mendel)的遗传学说基础上的算法,它模拟自然选择和自然遗传过程中发生的
2、繁殖、 交叉和基因突变现象, 在每次迭代中都保留一组候选解,并按某种指标从解群中选取较优的个体,利用遗传算子对这些个体进行组合,产生新一代的候选解群,重复此过程,直到满足某种收敛指标为止。与传统的启发式优化搜索算法相比, 遗传算法的主要本质特征在于群体搜索策略和简单的遗传算子。 遗传算法从初始种群出发, 多个点同时进行搜索, 即可以快速地缩小搜索空间,又不会所有点均落入快速下降陷阱致使算法陷入局部最优解;同时,遗传算法具有着内在的并行性,可以很容易地利用分布式计算,加快求解速度。正是因为以上优点,遗传算法优化BP 神经网络也成为近些年的研究热点之一。本文以神经网络理论、运筹学系统工程概率数理统
3、计高等数学和MATLAB电脑仿真技术为理论基础。采用定性与定量分析相结合、电脑仿真运算、比较研究、 实证分析等方法。 现在很多工程车辆中都运用神经算法技术优化车辆的自动换挡,比方吉林大学机械学院提出了基于多尺度小波神经网络的工程车辆换挡策略3,能够及时准确控制变速箱自动调节换挡,不仅提高了工程车辆的工作效率,而且对节约能源具有非常重要的意义。拖拉机要实现自动换挡功能, 主要有以下两方面的要求: 一是根据当前拖拉机运行状态区分最正确挡位, 本文采用三参数换挡控制规律; 二是根据神经网络控制器发出的最正确挡位信息,控制电磁阀按预定规律运动,以实现换挡操作。本文为了实现拖拉机的自动换挡, 采用神经网
4、络技术和遗传算法优化拖拉机的自动换挡模型,提高拖拉机的换挡准确度,增加换挡效率。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 1 页,共 13 页神经网络控制理论自从 1980 年网络时代之后,一些非常新颖的智能算法逐渐被运用到只能系统中,比方人工神经网络、遗传算法、禁忌搜索及其混合优化策略等。这些算法独特的优点和机制,引起了国内外学者的广泛重视并掀起了该领域的研究热潮,且在许多行业中得到了非常成功的应用。目前,神经网络正以迅猛的速度不断发展,网络的计算能力、 逼近任意连续函数的能力以及分析动态网络稳定性等方面都取得了丰硕的成果。神经网络与其他算
5、法相比主要有分布表示和学习能力这两个重要特征,能够在一定程度上改善系统的自适应控制。随着智能系统中被控对象变得越来越复杂,对系统的精度越来越高, 迫切的需要具有自适应学习能力的神经网络技术来完善智能信息的处理能力。神经网络技术在控制系统中的优势主要有:(1) 对于许多难以建模或者是规则描述困难的控制系统,可以通过神经网络能够处理,因为神经网络理论可以用来研究和模仿我们人类的行为。(2) 神经网络技术通常是运用分布式信息处理方法,这种方法的容错性很高,可以处理实时性要求比较高的控制系统。(3) 神经网络具有比较强的信息处理能力,当系统输入的信息发生矛盾时,可以较好的处理信息之间的互补性或者是冗余
6、性。使用神经网络算法,必须设计出有效的学习机制以及能够快速收敛的算法,这样才能实现智能控制,保证系统的自主学习和自适应功能。神经网络结构模型目前,市场上有许多关于工程车辆换挡规律的研究非常多,但是对于农业拖拉机方面的研究还比较少, 主要是因为农业拖拉机一般都在恶劣环境中作业,普通车辆的换挡规律并不能应用到拖拉机中。传统拖拉机换挡规律都是基于精确的数学模型控制的控制算法, 不能够保证系统的稳定性, 所以为了满足不同工作环境下农业拖拉机的自动换挡, 人工神经网络技术逐渐被运用到拖拉机的控制系统中。神经网络是由神经元的独立单元组成,其中每个神经元都能够作为信息加工的处理器。图所示,为一种典型的神经元
7、结构模型。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 2 页,共 13 页图神经元结构模型图中,12(,.,)TnXx xx为神经元的输入,12(,.,)TnW为各输入相连的连接强度,又称为连接权值;TW X 表示神经元的输入总和;为神经元的偏置,或称为阈值,假设TW X 的值大于,则神经元被激活;激活的神经元经过激励函数f的处理,得到输出值fy 。则有:()TjyfW X式中中的阈值函数主要有阶跃函数、符号函数和S 型函数。其中, S 型函数是使用最为广泛的。S型函数定义见式 5.2 ,其函数曲线如图 5.2 所示。1( )1atf te其中
8、 a为函数的斜率参数,通过改变a的值,可以获取不同斜率的S 函数。5 神经网络拓扑结构输入信号的处理工作比较复杂, 一般无法由单个神经元完成, 我们需要像人脑神经元一样, 在神经元之间彼此建立连接, 由多个相互连接的神经元构建出神经元网络,同时不断通过学习训练数据集中的知识调整网络中每个神经元的权值和阈值,以使构建的神经网络能满足设计功能需求。经过多年的发展, 人工神经元相互连接的形式十分丰富, 但总体而言存在两种形式, 分别是前馈型网络和反馈型网络。(1) 前馈型网络多层前馈型网络的一般模型如图5.2 所示。网络中各个神经元接受来自前一级的输入信号,经过阈值和激励函数计算后获得该神经元的输出
9、并输入到下一级神经元, 网络中所有信号均无反向传递, 网络模型可以用一个有向无环路图表示。常见的前馈神经网络有感知机 PercPetrons 、BPBack Propagation 网络、RBFRadial Basis Function 网络等。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 3 页,共 13 页图 5.2 前馈型神经网络模型(2) 反馈型网络反馈型神经网络是一种将网络输出作为输入,重新传递到输入层的神经网络系统,其模型如图 5.3 所示。网络中,每个神经元同时将自身的输出信号作为输入信号反馈给其他神经元,它需要工作一段时间才能到达
10、稳定68。Hopfield 神经网络具有联想记忆的功能, 是一种最简单且应用广泛的反馈型网络模型。本文采用的三层前馈神经网络的基本结构如图5.2 所示。图 5.3 反馈型神经网络模型在换挡控制系统中,神经网络的最大优势是它能够提供一种非线性静态映射,这种方法能够大幅度的提高计算精度。通过证明可以得出: 在神经网络系统中,对于给定的任意一个函数12(x ,x ,x )nf和误差0,都可以存在一个三层前馈神经网络,它的隐含层神经元的激励函数(x),输入和输出层都为线性神经 元 , 使 神 经 网 络的 输 入 和 输 出 之 间 关 系 能 够 以 给 定的 精 度 逼 近 函 数12(x ,x
11、,x )nf。神经网络的输入和输出之间的函数关系是:12(x ,x ,x )fnYNN精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 4 页,共 13 页本式中: Y 为神经网络的输出变量;fNN 为神经网络输出输出变量的内在对应关系在农业拖拉机自动换挡系统中, 根据设计要求, 保证神经网络模型具有一下几个关键点:(1) 神经网络系统要能够通过识别拖拉机的工作环境和拖拉机驾驶员的驾驶经验,判断出当前最正确的挡位。(2) 在拖拉机驾驶中保证换挡的合理延迟,这样才能确保拖拉机的动力性和操作性不会受到影响。(3) 驾驶中要求对拖拉机的控制系统响应快,确保
12、能够实时的传输数据。BP 网络可以在事前未揭示输入输出之间映射关系的条件下,通过训练数据的学习,逼近可以描述问题中输入输出关系的数学方程。网络以最速下降法作为学习规则,网络的输出误差沿着网络逐层反向传播,每层神经元根据误差关系不断调整连接权值和阈值, 以不断降低网络输出误差为目标,最终到达误差平方和的最小值。本文设计根据拖拉机的设计要求,采用了神经网络的BP 模式,即三层前馈网络中的反向传播网络,如图5.4。三层 BP 神经网络能够解决简单的非线性问题,应用最为广泛,网络包括1 个输入层、 1 个中间层或称隐含层和1 个输出层。图 5.4 三层前馈神经网络模型结构5.1.3 神经网络的的应用由
13、 BP 网络的工作原理可以看出,BP 网络具有良好的非线性品质,灵活而有效学习方式, 完全分布式的存储结构, 能进行大规模的并行信息处理,对非线性系统具有很强的模拟能力。随着BP 神经网络在多领域的广泛应用,BP 算法精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 5 页,共 13 页自身存在的诸多缺陷逐渐被人们发现,这些缺陷在应用实例中表现为如下几方面:1学习过程中,误差收敛速度慢标准BP 算法学习速度非常慢,尤其是网络的训练到达一定程度后。 比方说,当误差下降到一定程度后, 网络经过 8000次训练,可能总的误差下降量还不到。标准BP 算法在误
14、差下降时,难免产生振荡现象,这会严重影响网络的收敛速度。对于某些复杂问题,BP 算法可能要进行几个小时甚至更长时间的学习训练,学习的最大弱点是收敛性很难掌握。2学习过程中,容易陷入局部极小值BP 网络的学习误差在下降过程中常会处于停滞状态, 经过几千次的迭代后, 又可以恢复到较快的下降速度。在训练过程中, 出现误差下降的停滞状态, 往往是由于网络陷入了局部极小点。陷入局部极小点的 BP 神经网络,误差很难继续下降,很可能因误认为找到最正确权重而停止学习。3BP 神经网络结构确实定缺乏充分的理论依据使用BP 神经网络时,遇到的第一个难题就是确定网络的最正确结构。在实际应用中, 遵循着不同的结构确
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 2022年拖拉机论文 2022 拖拉机 论文
限制150内